Zapobieganie i leczenie brakujących danych w badaniach klinicznych cd

Podejście to jest generalnie wadliwe, ponieważ zawyżanie wielkości próby przyczynia się do zmniejszenia dokładności badania z brakujących danych, ale nie uwzględnia błędu, które powstaje, gdy brakujące dane różnią się w sposób zasadniczy od obserwowanych danych. W skrajnym przypadku, w którym wielkość błędu wynikającego z brakujących danych jest podobna lub większa niż przewidywany rozmiar efektu leczenia, wykrycie prawdziwego efektu leczenia jest mało prawdopodobne, niezależnie od wielkości próbki, a badanie nie ma charakteru informacyjnego. Podczas wykonywania obliczeń mocy należy wziąć pod uwagę obliczenia wielkości próby dla analizy zamiaru leczenia, która wykorzystuje hipotetyczny efekt leczenia populacji, który jest tłumiony z powodu niezdolności niektórych uczestników badania do przestrzegania leczenia. Alternatywnie można opracować analizy mocy dla procedur statystycznych, które jednoznacznie uwzględniają brakujące dane i związaną z nimi niepewność, jak omówiono poniżej. Planowanie i postępowanie próbne
Tabela 2. Tabela 2. Osiem pomysłów na ograniczenie brakujących danych w prowadzeniu badań klinicznych. Częstość występowania brakujących danych różni się znacznie w różnych badaniach klinicznych. Niektóre z tych zmian są zależne od kontekstu, ale w wielu przypadkach uważniejsze zwracanie uwagi na ograniczanie brakujących danych w planowaniu i postępowaniu próbnym może znacznie zmniejszyć problem. Osiem praktycznych pomysłów znajduje się w tabeli 2. Te i inne pomysły zostały omówione bardziej szczegółowo w raporcie panelowym
Metody analizy
Cztery rodzaje podejść dostosowawczych
Nie ma uniwersalnej metody obsługi brakujących danych w badaniu klinicznym, ponieważ każda próba ma swój własny zestaw cech projektowych i pomiarowych. Zakres podejść do modelowania i wnioskowania jest niezwykle szeroki i żadna metoda lub klasa metod nie jest odpowiednia dla wszystkich sytuacji. Panel wyodrębnił cztery różne typy metod dostosowywania brakujących danych: analizę kompletnych przypadków, pojedyncze metody imputacji, metody szacowania-równania i metody oparte na modelu statystycznym.
W analizie kompletnej sprawy uczestnicy z brakującymi danymi są po prostu wykluczeni z analizy.
W prostych metodach imputacji jedna wartość jest wypełniana dla każdej brakującej wartości za pomocą metod takich jak ostatnia obserwacja przeniesiona do przodu i obserwacja bazowa przeniesiona do przodu.
W metodach równań z oszacowaniem, pełne przypadki są ważone przez odwrotność oszacowania prawdopodobieństwa zaobserwowania. Na przykład prawdopodobieństwo obserwowanego wyniku można modelować przy użyciu danych bazowych, a następnie pełne przypadki mogą być ważone przez odwrotność ich szacowanych prawdopodobieństw obserwacji. Bardziej ogólnie, szacunki oparte na modelach są powiększane o ważone reszty z modelu.
Jako przykład modelu statystycznego można przyjąć, że ciągłe powtarzane miary mają rozkład normalny z określoną formą macierzy średniej i kowariancji. Metody oparte na modelu statystycznym, takim jak ten, obejmują maksymalne prawdopodobieństwo, w którym szacunki i błędy standardowe są oparte na funkcji prawdopodobieństwa z uwagi na obserwowane dane; Metody bayesowskie, w których wnioskowanie opiera się na modelu statystycznym, który obejmuje założony rozkład przed rozpoczęciem pomiarów; i wielokrotne imputacje, w których tworzy się wiele zestawów wiarygodnych wartości dla brakujących danych z ich predykcyjnego rozkładu opartego na modelu, a oszacowania i błędy standardowe uzyskuje się za pomocą reguł łączenia wielu imputacji.17 Hogan i in.18 zapewniają względnie nietechniczny opis tych metod wraz z przykładami.
Trzy scenariusze brakujących danych
Właściwości tych metod zależą od mechanizmów powodujących brak danych
[hasła pokrewne: Psycholog Wrocław, Kabiny Sanitarne, naklejka na legitymację ]

Powiązane tematy z artykułem: Kabiny Sanitarne naklejka na legitymację Psycholog Wrocław